基于数据挖掘的某商业银行客户分类模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 引言 | 第10-15页 |
| 1.1 课题研究的背景 | 第10-11页 |
| 1.2 课题研究的意义 | 第11-12页 |
| 1.3 研究现状和问题 | 第12-13页 |
| 1.4 论文组织结构和内容 | 第13-15页 |
| 第二章 相关理论综述 | 第15-29页 |
| 2.1 业务需求概述 | 第15-16页 |
| 2.2 客户关系管理概述 | 第16-18页 |
| 2.2.1 客户价值相关理论 | 第17-18页 |
| 2.2.2 客户风险相关理论 | 第18页 |
| 2.3 数据挖掘概述 | 第18-21页 |
| 2.3.1 数据挖掘的定义 | 第19-20页 |
| 2.3.2 数据挖掘的过程 | 第20页 |
| 2.3.3 数据挖掘的任务 | 第20-21页 |
| 2.4 数据挖掘在商业银行中的应用 | 第21-28页 |
| 2.4.1 数据挖掘时的客户分类基础 | 第21-24页 |
| 2.4.2 数据挖掘系统如何为商业银行服务 | 第24-25页 |
| 2.4.3 数据挖掘目前的成功应用实例 | 第25-28页 |
| 2.5 本章总结 | 第28-29页 |
| 第三章 基于K-Means的客户分类 | 第29-47页 |
| 3.1 K-Means算法 | 第29-31页 |
| 3.2 K-Means算法优缺点 | 第31页 |
| 3.3 基于最大最小距离改进K-Means算法 | 第31-35页 |
| 3.3.1 最大最小距离算法 | 第32-33页 |
| 3.3.2 改进后的K-Means算法 | 第33-35页 |
| 3.4 实验分析 | 第35-46页 |
| 3.4.1 实验流程 | 第35-37页 |
| 3.4.2 数据的预处理 | 第37-41页 |
| 3.4.3 实验结果及分析 | 第41-44页 |
| 3.4.4 改进前后K-Means算法的比较 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于决策树的客户分类 | 第47-64页 |
| 4.1 C4.5决策树算法 | 第47-56页 |
| 4.1.1 ID3算法 | 第47-50页 |
| 4.1.2 C4.5算法 | 第50-53页 |
| 4.1.3 决策树剪枝 | 第53-56页 |
| 4.2 改进的C4.5算法 | 第56-58页 |
| 4.3 实验分析 | 第58-63页 |
| 4.3.1 实验流程 | 第58-59页 |
| 4.3.2 实验结果及分析 | 第59-61页 |
| 4.3.3 改进前后的C4.5决策树算法比较 | 第61-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64页 |
| 5.2 展望 | 第64-66页 |
| 参考文献 | 第66-68页 |
| 致谢 | 第68页 |
